Moonshot AI Releases Kimi K2.7-Code: a Coding Model Reporting +21.8% on Kimi Code Bench v2 Over K2.6
핵심 포인트
- 1Moonshot AI가 출시한 Kimi K2.7-Code는 1T total parameters와 256K tokens의 context window를 가진 코딩 전문 Agentic AI 모델입니다.
- 2이 모델은 K2.6 대비 벤치마크에서 상당한 성능 향상을 보였고, reasoning-token 사용량을 약 30% 절감하여 비용 효율성을 개선했습니다.
- 3Modified MIT 라이선스의 open-weight 모델로 Hugging Face에서 self-hosting이 가능하며, 대규모 코드 리팩토링 및 코드 리뷰와 같은 복잡한 소프트웨어 엔지니어링 작업에 특화되어 있습니다.
Moonshot AI는 코딩에 특화된 에이전트 기반 모델인 Kimi K2.7-Code를 출시했습니다. 이 모델은 Hugging Face에서 Modified MIT 라이선스로 가중치를 제공하며, Kimi API 및 Kimi Code를 통해 접근할 수 있습니다. K2.7-Code는 장기적인 소프트웨어 엔지니어링 작업에 초점을 맞춰 계획 수립, 코드 편집, 도구 실행, 디버깅을 여러 단계에 걸쳐 수행할 수 있도록 설계되었습니다.
K2.7-Code는 Mixture-of-Experts (MoE) 아키텍처를 채택하고 있습니다. 전체 파라미터 수는 1T(1조)이며, 토큰당 활성화되는 파라미터는 32B(320억)입니다. 이 모델은 총 384개의 Expert를 사용하며, 토큰당 8개의 Expert가 선택되고 1개는 공유됩니다. 아키텍처는 1개의 dense layer를 포함하여 총 61개의 layer로 구성되어 있습니다. Attention 메커니즘으로는 MLA(Multi-Layer Attention)를, Feed-forward 네트워크로는 SwiGLU를 사용합니다. 추가적으로, MoonViT라는 비전 인코더가 400M(4억) 파라미터로 통합되어 이미지 및 비디오 입력 처리가 가능합니다. 모델은 네이티브 INT4 quantization을 지원합니다. Context window는 256K(262,144) 토큰으로 매우 깁니다.
모델 사용에는 몇 가지 제약이 있습니다. 'Thinking mode'는 필수이며 비활성화할 수 없습니다. Sampling 파라미터는 temperature 1.0, top_p 0.95, n 1, penalties 0.0으로 고정되어 있으며, 다른 값으로 설정하면 API 오류가 발생합니다. 기본 최대 출력 토큰은 32,768개입니다. vLLM, SGLang, KTransformers를 사용하여 self-host가 가능하지만, 가중치 파일 크기가 약 595 GB에 달하여 서버급 배포 환경을 요구합니다.
성능 측면에서 K2.7-Code는 Moonshot AI 팀이 공개한 6가지 벤치마크에서 K2.6을 모두 능가했습니다. 특히 Kimi Code Bench v2에서는 50.9점에서 62.0점으로 21.8% 향상되었습니다. MCP Mark Verified 벤치마크에서는 Claude Opus 4.8 (76.4)을 81.1점으로 앞섰으며, MLS Bench Lite에서는 GPT-5.5 (35.5)에 근접한 35.1점을 기록했습니다. 다만, 이 벤치마크 결과는 모두 제조사 자체 측정치입니다.
K2.7-Code는 K2.6에 비해 Reasoning-token 사용량이 약 30% 낮아 '덜 과도한 사고(less overthinking)'를 한다고 보고되었습니다. Reasoning token은 대부분의 가격 책정에서 출력 토큰으로 청구되므로, 이러한 효율성 향상은 에이전트 기반 코딩 작업에서 다음과 같은 이점을 제공합니다: 태스크당 낮은 출력 토큰 비용, 빠른 처리 속도, 그리고 Context limit 도달 전에 더 많은 단계를 수행할 수 있게 합니다.
주요 사용 사례로는 레포지토리 규모의 리팩토링, 코드 리뷰(특히 대규모 pull request diff 분석), Model Context Protocol (MCP) tool-use workflow (CI 체크, 티켓 업데이트, 파일 편집), 그리고 긴 컨텍스트 분석(텍스트, 이미지, 비디오 입력 동시 처리) 등이 제시되었습니다. Kimi API는 OpenAI 호환이며, kimi-k2.7-code 모델 스트링을 사용합니다. Multi-step tool calls 시 reasoning_content를 컨텍스트에 유지하고 tool_choice를 "auto" 또는 "none"으로 설정해야 하는 개발자 지침이 있습니다.
가격 책정은 cached input 0.95 / 1M, output $4.00 / 1M으로, 다른 폐쇄형 선두 모델에 비해 저렴한 편입니다. K2.7-Code는 Modified MIT 라이선스 하의 open-weight 모델이며, K2.6 대비 광범위하고 일관된 성능 향상을 보입니다. 단점으로는 모든 벤치마크 수치가 초기 출시 시점의 자체 보고치이며, Thinking mode 비활성화 불가, Sampling 컨트롤 고정, 큰 모델 크기로 인한 self-hosting의 어려움 등이 있습니다.